病理组织的诊断是肿瘤、癌症等疾病的基本标准,其中组织病理学是诊断癌症的典型工具。正确检测和判断细胞核类别在治疗决策中发挥了核心作用,主要由病理学家检查组织标本图像并定义出有关组织外观、细胞构成、疾病或正常状态的信息报告。利用图像处理与机器学习等技术,病理学家可以对图像进行自动细胞核检测与分类等操作,以做出对疾病的定量定性评估,不仅能为病理学家减轻繁重的作业量,还能使确诊结果更客观。但由于病理图像的细胞核大部分成群聚集,且其组织学结构呈现复杂和不规则的形态,给细胞核的先检测后分类带来了一些挑战。总结分析了传统方法与深度学习的方法之后,本文根据结直肠腺癌组织图像中细胞核的特点,分别为检测和分类任务设计了基于卷积神经网络的算法。本文主要工作包括:1)针对病理图像中细胞核数量不均衡且形态较小的问题,提出了层级特征融合的细胞核位置检测网络,探索病理组织图片中的细胞核与其位置图的映射关系。相比于现存检测算法的特点是避免了滑动框,减少了参数;并且其下采样过程中的预训练模型为样本不均衡且少而设计,而上采样中的多级互补信息的级联模块负责精细化还原细胞核的位置响应。最后预测的位置概率图将通过部分后处理方法,计算取得细胞核的预测坐标。2)针对细胞核图像中心偏移且补充信息少的问题,提出了区域切割模块和上下文特征补充网络的分类网络,为细胞核的分类过程提供了局部与全局特征的互补性。相比于现存分类算法的特点是进行了多路特征、多方位特征融合,避免了单一特征的提取对分类精度的影响。其区域切割模块具有多方位特征提取和灵活性较强的优点,而上下文补充网络为有限的细胞核图像提供周围背景的语义信息,两者相辅相成,经过最后的融合得到细胞核的分类标签。3)依据以上模型,本文在结直肠腺癌组织病理数据集上分别进行了单检测、单分类以及联合检测分类框架的验证实验。各组实验结果均高于其他对比方法,位置检测网络提高了细胞核在复杂背景中定位的精确度,提出的分类网络提升了细胞核的分类精度,最终联合的检测分类网络的实验结果有大幅度提升。